|
|
Predikce deště pomocí meteorologického radaru
Putna, Lukáš ; Grézl, František (oponent) ; Szőke, Igor (vedoucí práce)
Tato bakalářská práce se zabývá návrhem a implementací systému pro krátkodobou předpověď deště za pomocí meteorologického radaru. Zmiňuje některé postupy při řešení a zejména využití vícevrstvé neuronové sítě, čemuž se celá práce dále věnuje. Vícevrstvé neuronové sítě mají dobré klasifikační schopnosti a dokáží aproximovat jakoukoliv nelineární funkci.V práci je navrhnuto, jak předpověď pomocí neuronové sítě funguje, postup při úpravě dat z meteorologického radaru pro vstup sítě. Dále se práce zabývá přístupem k trénování sítě a možnými metodami vyhodnocení výsledků testů. Na závěr jsou zhodnoceny konkrétní výsledky, dosažené testováním neuronové sítě, a je navrhnuto další možné vylepšení postupu.
|
|
|
Klasifikace objektů v obraze podle textury
Hutárek, Jiří ; Švub, Miroslav (oponent) ; Španěl, Michal (vedoucí práce)
Hlavním tématem této práce je klasifikace textur a rozpoznávání objektů v obraze podle textury. Jsou rozebírány různé texturní příznaky včetně několika variant local binary patterns (LBP). Je navržena nová modifikace LBP (weighted spatial LBP), jejímž cílem je zlepšení prostorového pokrytí tradičních LBP. Zřídka používané barevné texturní příznaky jsou také diskutovány. Umělé neuronové sítě a support vector machines jsou použity ke klasifikaci všech zmíněných příznaků. S využitím těchto metod je implementován framework pro klasifikaci textur a segmentaci obrazu. Obsažná texturní databáze je použita k testu úspěšnosti klasifikace za různých podmínek. Nakonec je systém aplikován na reálný problém - segmentaci leteckých snímků.
|
|
|
Predikce vývoje kurzu pomocí umělých neuronových sítí
Putna, Lukáš ; Grézl, František (oponent) ; Szőke, Igor (vedoucí práce)
Tato diplomová práce se zabývá využitím neuronových sítí pro účely předpovědi vývoje kurzu trhů na burze. Zmiňuje základy teorie fungování burzy a obchodování na ní. V práci je dále popsána teorie neuronových sítí, jaké jsou možnosti jejich využití a jakým způsobem je vhodné neuronovou síť navrhnout pro danou aplikaci. V praktické části jsou navrženy dva predikční modely využívající neuronové sítě. Ty jsou dále využity navrženým obchodním modelem a simulovány na zvolených datech. Následně jsou výsledky porovnány s obchodním modelem člověka a náhodným obchodním modelem a jsou navrženy další směry vývoje systému.
|
|
|
Hluboké neuronové sítě
Habrnál, Matěj ; Zbořil, František (oponent) ; Zbořil, František (vedoucí práce)
Diplomová práce se zabývá hlubokými neuronovými sítěmi, zejména pak metodami z oblasti hlubokého učení, jež slouží k inicializaci vah a samotnému učení hlubokých neuronových sítí. Dále popisuje základní teorii klasických neuronových sítí, která je důležitá pro pochopení této problematiky. Cílem této práce je experimentováním s vytvořenou aplikací realizující hluboké neuronové sítě na různě obtížných úlohách rozpoznávání obrazu zjistit optimální nastavení volitelných parametrů algoritmů. Dále pak zhodnotit výsledky a poznatky získané při experimentování s klasickou a hlubokou neuronovou sítí.
|
|
|
Algoritmické obchodování na burze
Ďuriač, Peter ; Plchot, Oldřich (oponent) ; Szőke, Igor (vedoucí práce)
Tato práce se zabývá využitím neuronových sítí při předpovídání cen na burze a následovným testováním pomocí zvolené platformy na reálném demo účtě. Je zde popsána základní teorie obchodování na burze. Dále práce popisuje teorii fungování neuronových sítí. V praktické části je vytvořena neuronová sít a k ní jsou navrženy dva obchodní modely. Tyto modely jsou simulovány na zvolených datech a výsledky jsou porovnány s obchodním modelem člověka. Následně jsou vytvořeny obchodní systémy otestované v reálném obchodování pomocí zvolené obchodní platformy. Výsledky simulací jsou porovnané s dosaženými reálnými výsledky. V závěru jsou navrženy další směry vývoje systému.
|
|
|
Návrh predikčního modelu prodeje vybraných potravinářských komodit
Řešetková, Dagmar ; Dostál, Petr (oponent) ; Krčmarský, Miroslav (oponent) ; Zelinka, Ivan (oponent) ; Rais, Karel (vedoucí práce)
Disertační práce se obecně zaměřuje na využití nástrojů umělé inteligence v praxi a s ohledem na zaměření studia v oboru Řízení a ekonomika podniku na využití nástrojů umělé inteligence v praxi firemní, jako nástroje pro podporu rozhodování na operativní a taktické úrovni řízení. V užším pojetí se práce zabývá návrhem predikčního modelu prodeje vybraných potravinářských komodit. Navržený model má posloužit jako substitut lidského experta při podpoře v rozhodovacím procesu nákupu vybraných komodit a to především při zaškolování nových pracovníků a rozšířit, v současné době používané, metody manažerského rozhodování o nástroje umělé inteligence pro management firmy a stávající zaměstnance. Cílem disertační práce je tedy návrh predikčního modelu prodeje vybraných potravinářských komodit (jablek a brambor) pro konkrétní velkoobchod s ovocem a zeleninou působícím na území České republiky. K seznámení se s chováním vybraných komodit bylo využito jak primárního tak sekundárního výzkumu a poznatků získaných z českých i zahraničních literárních zdrojů a výzkumů. Výsledný predikční model je zpracován za použití statistické analýzy časových řad a samotná predikce prodejů probíhá využitím nástrojů umělé inteligence a je modelována umělou neuronovou sítí. Práce ve své praktické části rovněž obsahuje návrhy využití predikčního modelu a dílčích postupů zpracování pro: • praxi, • teorii a • pedagogickou činnost.
|
|
|
Methods and Tools for Image and Video Quality Assessment
Slanina, Martin ; Říčný, Václav (vedoucí práce)
The doctoral thesis is focused on methods and tools for image quality assessment in video sequences, which is a very up-to-date theme, undergoing a rapid evolution with respect to digital video signal processing, in particular. Although a variety of metrics for objective (automated) video sequence quality measurement has been developed recently, these methods are mostly based on comparison of the processed (damaged, e.g. with compression) and original video sequences. There are very few methods operating without reference, i.e. only on the processed video material. Moreover, such methods are usually analyzing signal values (typically luminance) in picture elements of the decoded signal, which is hardly applicable for modern compression algorithms such as the H.264/AVC as they use sophisticated techniques to remove compression artifacts. The thesis first gives a brief overview of the available metrics for objective quality measurements of compressed video sequences, emphasizing the different approach of full-reference and no-reference methods. Based on an analysis of possible ideas for measuring quality of video sequences compressed using modern compression algorithms, the thesis describes the design process of a new quality metric for video sequences compressed with the H.264/AVC algorithm. The new method is based on monitoring of several parameters, present in the transport stream of the compressed video and directly related to the encoding process. The impact of bitstream parameters on the video quality is considered first. Consequently, an algorithm is designed, employing an artificial neural network to estimate the peak signal-to-noise ratios (PSNR) of the compressed video sequences -- a full-reference metric is thus replaced by a no--reference metric. Several neural network configurations are verified, reaching from the simplest to three-layer feedforward networks. Two sets of video sequences are constructed to train the networks and analyze their performance and fidelity of estimated PSNRs. The sequences are compressed using the H.264/AVC algorithm with variable encoder configuration. The final part of the thesis deals with an analysis of behavior of the newly designed algorithm, provided the properties of the processed video are changed (resolution, cut) or encoder configuration is altered (format of group of pictures coded together). The analysis is done on video sequences with resolution up to full HD (1920 x 1080 pixels, progressive)
|
|
|
Predikce vlivu povrchové vrstvy oxidů na intenzitu vodního chlazení
Haluza, Vít ; Hrabovský, Jozef (oponent) ; Pohanka, Michal (vedoucí práce)
Tato diplomová práce se zabývá analýzou vlivu povrchové vrstvy oxidů na vedení tepla. Důraz je kladen především na numerické simulace. Kromě modelování vedení tepla pomocí diferenciálních rovnic je k predikci vlivu oxidů na chlazení použito také lineárních regresních modelů a umělých neuronových sítí. Výsledkem práce je stanovení podmínek, za kterých dojde ke zintenzivnění chlazení vlivem oxidických vrstev a porovnání jednotlivých metod predikce vlivu oxidů na chlazení.
|
|
|
Návrh síťového prvku pomocí neuronové sítě
Pokorný, Petr ; Krček, Petr (oponent) ; Šťastný, Jiří (vedoucí práce)
Diplomová práce se zabývá řešením prioritního síťového přepínače, jehož model byl vytvořen v simulačním prostředí Matlab - Simulink. Úloha optimálního přepínání je řešena pomocí umělé neuronové Hopfieldovy sítě. Výsledkem práce je model přepínače a srovnání časové náročnosti, při řešení optimalizačního problému, pomocí umělé neuronové sítě a bez využití této sítě. Tato diplomová práce byla zpracována v rámci vědecko-výzkumného záměru MSM 0021630529 Inteligentní systémy v automatizaci.
|
|
| |
host ::
RSS.